personal graph

الرسم البياني الشخصي: رسم بياني لبناء ذاكرة لتطبيقات الذكاء الاصطناعي

Personal-Graph هي مكتبة Python لإنشاء الرسوم البيانية المعرفة وإدارتها والاستعلام عنها. ويهدف إلى المساعدة في حل تحديات العمل والذاكرة على المدى الطويل في أنظمة الذكاء الاصطناعي ، وخاصة نماذج اللغة الكبيرة (LLMs).

سمات

• يمكن أن يكون سريعًا : مبني على libsql ، محرك sqlite عالي الأداء في الصدأ
• ؟ واحد ديسيبل لكل مستخدم : الاندماج مع Turso DB للرسوم البيانية المعرفة الخاصة والمستخدم الخاصة
• واجهات اللغة الطبيعية : استفسارات اللغة الطبيعية مدعومة من SQLITE-VSS والمدرب
• ؟ ML Ready : تصدير بيانات لمكتبات التعلم الآلي مثل NetworkX و PYG
• ✅ يدعم التنفيذ المحلي مع Ollama LLMS ونماذج التضمين
• ✅ يدعم DB المحلي لتخزين الرسم البياني والتضمينات

WIP

• إضافة دعم لقاعدة بيانات عمودي: DuckDB
• تنفيذ خوارزميات الشبكة العصبية الرسم البياني: Transe ، Transe ، Query2Box

تثبيت

تثبيت الرسم البياني الشخصي باستخدام PIP:

pip install personal-graph

الاستخدام

بناء ذاكرة عاملة لمنظمة العفو الدولية

 from personal_graph import GraphDB
from personal_graph . text import text_to_graph
from personal_graph . vector_store import VliteVSS

vector_store = VliteVSS ( collection = "memories" )
graph = GraphDB ( vector_store = vector_store )

# Insert information into the graph
g = text_to_graph ( "Alice is Bob's sister. Bob works at Google." )
graph . insert_graph ( g )

# Retrieve relevant information from the graph
query = "Who is Alice?"
results = graph . search ( query )
print ( results )

# Use the retrieved information to answer questions
print ( f"Question: { query } " )
print ( f"Answer: Alice is Bob's sister." )

query = "Where does Bob work?"
results = graph . search ( query )
print ( results )
print ( f"Question: { query } " )
print ( f"Answer: Bob works at Google." )

في هذا المثال ، نقوم بإدراج معلومات حول أليس وبوب في الرسم البياني المعرفة. ثم نستخدم طريقة البحث لاسترداد المعلومات ذات الصلة بناءً على الاستعلامات المحددة. يمكن استخدام المعلومات التي تم استردادها كجزء من الذاكرة العاملة من الذكاء الاصطناعي للإجابة على الأسئلة وتوفير سياق لمزيد من التفاعلات.

بناء ذاكرة طويلة الأجل

 from personal_graph import GraphDB
from personal_graph . vector_store import VliteVSS

vector_store = VliteVSS ( collection = "memories" )
graph = GraphDB ( vector_store = vector_store )

# Insert information about conversations with the user over time
graph . insert (
  text = "User talked about their childhood dreams and aspirations." ,
  attributes = {
    "date" : "2023-01-15" ,
    "topic" : "childhood dreams" ,
    "depth_score" : 3
  })

graph . insert (
  text = "User discussed their fears and insecurities in their current relationship." ,
  attributes = {
    "date" : "2023-02-28" ,
    "topic" : "relationship fears" ,
    "depth_score" : 4
})

graph . insert (
  text = "User shared their spiritual beliefs and existential questions." ,
  attributes = {
    "date" : "2023-03-10" ,
    "topic" : "spirituality and existence" ,
    "depth_score" : 5
})

graph . insert (
  text = "User mentioned their favorite hobbies and weekend activities." ,
  attributes = {
    "date" : "2023-04-02" ,
    "topic" : "hobbies" ,
    "depth_score" : 2
})

# User queries about the deepest conversation
query = "What was the deepest conversation we've ever had?"

deepest_conversation = graph . search ( query , sort_by = "depth_score" , descending = True , limit = 1 )

في هذا المثال ، نقوم بتخزين معلومات حول المحادثات مع المستخدم ، بما في ذلك التاريخ والموضوع ودرجة العمق. تمثل درجة العمق مدى أهمية المحادثة.

عندما يسأل المستخدم عن أعمق محادثة ، فإننا نبحث عن المحادثة بأعلى درجة عمق باستخدام طريقة البحث. نقوم بفرز النتائج حسب درجة العمق في ترتيب تنازلي ونحصر الإخراج على محادثة واحدة.

إذا تم العثور على محادثة ، فإن الذكاء الاصطناعي يستجيب بتاريخ وموضوع أعمق محادثة. إذا لم يتم العثور على محادثات ، فإن الذكاء الاصطناعى يبلغ المستخدم أنه ليس لديه معلومات كافية.

يوضح هذا المثال كيف يمكن استخدام الرسم البياني الشخصي لبناء ذاكرة طويلة المدى حول تفاعلات المستخدم واسترداد معلومات محددة بناءً على معايير مثل عمق المحادثة.

إنشاء رسم بياني للمعرفة والاستعلام عنها

 from personal_graph import GraphDB
from personal_graph . text import text_to_graph
from personal_graph . vector_store import VliteVSS

vector_store = VliteVSS ( collection = "memories" )

graphdb = GraphDB ( vector_store = vector_store )

nl_query = "Increased thirst, weight loss, increased hunger, and frequent urination are all symptoms of diabetes."
kg = text_to_graph ( text = nl_query )
graphdb . insert_graph ( kg )

search_query = "I am losing weight too frequently."
g = text_to_graph ( search_query )
print ( g )

graphdb . insert_graph ( g )

الاسترجاع وإلغاء الأسئلة

 import os
import dspy
from personal_graph import GraphDB , PersonalRM

db = GraphDB () # storage_db is in-memory sqlite, vector_db is in vlite
turbo = dspy . OpenAI ( api_key = os . getenv ( "OPENAI_API_KEY" ))
retriever = PersonalRM ( graph = db , k = 2 )
dspy . settings . configure ( lm = turbo , rm = retriever )


class GenerateAnswer ( dspy . Signature ):
    """Answer questions with short factoid answers."""

    context = dspy . InputField ( desc = "may contain relevant facts from user's graph" )
    question = dspy . InputField ()
    answer = dspy . OutputField (
        desc = "a short answer to the question, deduced from the information found in the user's graph"
    )

class RAG ( dspy . Module ):
    def __init__ ( self , depth = 3 ):
        super (). __init__ ()
        self . retrieve = dspy . Retrieve ( k = depth )
        self . generate_answer = dspy . ChainOfThought ( GenerateAnswer )

    def forward ( self , question ):
        context = self . retrieve ( question ). passages
        prediction = self . generate_answer ( context = context , question = question )
        return dspy . Prediction ( context = context , answer = prediction . answer )

rag = RAG ( depth = 2 )
response = rag ( "How is Jack related to James?" )
print ( response . answer )

الاستخدام المحلي

 from personal_graph . graph import GraphDB
from personal_graph . graph_generator import OllamaTextToGraphParser
from personal_graph . database import SQLite
from personal_graph . vector_store import VliteVSS
from personal_graph . clients import OllamaClient , OllamaEmbeddingClient

phi3 = OllamaClient ( model_name = "phi3" )
nomic_embed = OllamaEmbeddingClient ( model_name = "nomic-embed-text" )

storage_db = SQLite ( local_path = "./local.db" )
vector_store = VliteVSS ( collection = "./vectors" )

graph_generator = OllamaTextToGraphParser ( llm_client = phi3 )
print ( graph_generator ) # Should print the InstructorGraphGenerator 

with GraphDB (
    database = storage_db , 
    vector_store = vector_store , 
    graph_generator = graph_generator
  ) as db :
    print ( db )

Personalgraph إلى Pyg ، ثم العودة إلى Personalgraph

فيما يلي مجرد رسم للتدفق المخطط. WIP.

 graphdb = GraphDB ( storage = db , vector_store = vector_store , graph_generator = graph_generator )

graphdb . load_dataset ( "KarateClub" )

pyg_graph = graphdb . to_pyg ()

updated_graph = model ( pyg_graph ) # Run Neural Network algorithms here using PyG

graphdb . from_pyg ( updated_graph )

وصف الفيديو

يصف هذا الفيديو بشكل أفضل مكتبة الرسم البياني الشخصي. [! الرسم البياني الشخصي]

لمزيد من التفاصيل ووثائق API ، راجع وثائق الرسم البياني الشخصي.

المساهمة

المساهمات مرحب بها! لا تتردد في إنشاء مشكلات للأخطاء وطلبات الميزات.

رخصة

يتم إصدار الرسم البياني الشخصي بموجب ترخيص معهد ماساتشوستس للتكنولوجيا.

اتصال

أسئلة أو ردود الفعل أو الاقتراحات؟ الوصول إلى [email protected] أو افتح مشكلة على جيثب.